基于CPSO-Elman神经网络矿井下可见光定位

针对传统矿井下定位方法精度偏低问题,提出一种混沌粒子群优化(CPSO)Elman神经网络矿井下可见光定位系统。由于Elman神经网络在初始化时存在参数设置的随机性导致预测精度不高,采用CPSO算法优化Elman神经网络,选取适合的各层的初始权值和阈值,用于提高神经网络拓扑的稳定性。仿真结果表明:在3.6 m×3.6 m×3.6 m的环境里,本文所提的算法的平均定位误差达到3.70 cm,最大定位误差为26.54 cm,在实验阶段的平均定位误差为5.91 cm,最大定位误差为36.95 cm,能够满足煤矿井下定位需求。

基于CPSO优化的LADRC胎面挤出量控制系统

针对橡胶胎面生产挤出量控制系统过程机理复杂、扰动过多且难以测量的问题,设计了一种混沌粒子群(CPSO)优化的线性自抗扰控制器(LADRC)以弥补传统PID控制的不足,实现对胎面生产挤出量的稳定控制。通过使用MATLAB进行系统辨识,得到胎面挤出量的数学模型,建立LADRC与传统PID控制方式下的胎面挤出量控制系统,并用仿真实验验证LADRC方法的优势,研究不同干扰下LADRC方法对系统的影响。引入CPSO算法优化整定LADRC参数,将不同LADRC参数下的模型进行仿真对比以验证CPSO算法调参的优势,并加入不同扰动,观察控制器参数变化对系统响应的影响。结果显示,LADRC方法相较于PID控制器能更好地补偿干扰影响,加入CPSO算法优化后,系统的输出响应、快速性得到增强,调节时间变短,相对LADRC控制器,CPSO-LADRC控制器对橡胶胎面生产挤出过程中恒定性和鲁棒性的控制效果更为明显。

基于CPSO方法的伺服系统故障树诊断分析

采用单一诊断方法无法达到合理的故障诊断率,综合故障树分析(FTA)与混沌粒子群(CPSO)方法相结合的方式可较好实现故障诊断。从实际测试信号角度出发,并与人工神经网络(ANN)与粒子群(PSO)方法结果进行对比。结果表明:CPSO方法故障诊断准确率获得比ANN高出7.55%,比PSO高出5.18%,实现了准确率的显著提升。CPSO方法 200次迭代后达到稳定适应值,可以在最短时间内完成迭代,有效避免产生局部极值问题,大幅提升了诊断精度。该研究可以拓展到其他机械信号测试领域,具有很好的应用价值。

基于CPSO算法的区域电力综合能源协同优化调度研究

由于电力系统能源的多样性,包括传统电力、可再生能源和储能系统,使得协同管理成为确保电力供应可靠性、经济性和可持续性的关键因素。为应对现代电力系统中复杂的能源管理挑战,提出了一种基于CPSO算法的区域电力综合能源协同优化调度方法。首先建立了电力系统的数学模型,包括各种能源的生产、储能、输电和负荷消耗。目标函数包括最小化总成本、最小化碳排放或最大化系统可靠性等不同情景。同时,考虑了多种约束条件,如电力供应的稳定性、储能容量限制以及可再生能源的波动性。CPSO算法作为优化工具,通过在实验中调整CPSO算法的参数和初始条件,对各种情景下的优化结果进行了分析和比较。实验结果表明,基于CPSO算法的区域电力综合能源协同优化调度方法能够有效地降低总成本、减少碳排放,并提高系统的可靠性。此外,该方法还展现了对不稳定可再生能源的灵活适应能力。

一种改进的CPSO-LSSVM软测量模型及其应用

针对最小二乘支持向量机(LS-SVM)在处理大规模数据集的回归和分类问题时缺少支持向量所具有的稀疏性和难以确定最佳模型参数值的问题,提出一种改进算法,利用样本间马氏距离分析样本相似程度,剔除部分相关样本,对样本集进行约简,以恢复LS-SVM的稀疏性,进而利用具有较强全局搜索能力的混沌粒子群优化算法(CPSO)对LS-SVM建模过程中的模型参数进行优化选择,以提高模型的拟合精度和泛化能力。将提出的改进算法用于湿法脱硫系统浆液pH值的软测量建模,给出了应用该方法的具体步骤,研究结果表明,该算法取得了较高的建模精度和泛化能力,为pH值的在线实时监测提供了一个有效手段。

基于改进CPSO算法的区域电热综合能源系统经济调度

针对我国北方地区"以热定电"模式造成大规模弃风与调度经济性较差等问题,建立了区域电热综合能源系统日前经济调度模型。首先,构建了电储能、热储能和电动汽车的经济性模型,改进了风电折算成本的描述方法;然后,综合考虑了弃风成本、电动汽车调度成本、电储能和热储能损耗成本、环境污染成本等,构建了区域综合能源系统的调度成本模型;最后,利用信息熵衡量粒子的丰富度,并结合贪心变异策略提出基于粒子维度熵的改进混沌粒子群优化算法。算例结果表明,所提算法在保证优越收敛性的同时可有效分析各设备单元在经济调度和消纳弃风方面的作用,验证了模型和算法的有效性与实用性。

CPSO-LSSVM在自回归钟差预报中的应用

建立了基于自回归算法的钟差预报模型,利用具有较强非线性运算能力和容错能力的最小二乘-支持向量机算法来求解自回归参数,同时利用具有快速寻优特点的粒子群算法来优化最小二乘-支持向量机参数。为了克服粒子群算法容易陷入局部极值而形成早熟的缺点,提出了分别在粒子初始化位置和陷入局部极值的位置上进行混沌处理,提高了粒子搜索的遍历性和寻优能力,从整体上优化了算法。最后通过星载钟差数据对该算法进行了验证,结果表明:本文算法能够实现亚纳秒量级的预报精度并提升卫星授时导航性能。

基于CPSO-BP神经网络的风电并网暂态电压稳定评估

针对目前传统方法难以快速、准确判断风电并网后系统暂态电压稳定性的问题,提出了一种基于CPSOBP组合的风电并网暂态电压稳定评估方法。首先采用混沌理论对粒子群算法的不足进行改善,应用改进后的算法对神经网络的初始权值和阈值进行优化,然后利用系统故障前后采集的传统物理量和风电场相关的物理量作为BP神经网络输入特征量进行监督学习,最后将训练得到的模型应用于风电并网系统的暂态电压稳定评估中。利用英格兰10机39节点系统标准算例进行风电并网仿真分析,结果证明了所提方法的有效性。

基于ADAMS与CPSO算法的火炮结构参数优化设计研究

针对火炮动力学模型是多部件、强非线性的系统,直接在ADAMS环境下对火炮结构参数进行优化,可能存在实现难度大、迭代次数过多、优化效果不明显等问题,提出了基于ADAMS与CPSO算法相结合的火炮结构参数优化设计方法.在利用Pro/E与ADAMS建立火炮虚拟样机并进行仿真试验的基础上,采用混沌粒子群算法对火炮结构参数进行优化,从而获得火炮结构参数和炮口扰动优化结果.根据优化值与初始值的对比分析,证明了文中所提优化设计方法合理可行.

自适应MIMO-OFDM通信系统中基于CPSO-PF的状态优化与性能仿真

针对MIMO-OFDM通信系统状态参数不能随信道干扰噪声适时调整而严重影响通信质量的实际问题,论述了MIMO-OFDM通信系统的传输原理与性能参数,研究了混沌粒子群优化算法(CP-SO)及粒子滤波(PF)的性能特点,提出了基于CPSO粒子滤波(CPSO-PF)的自适应MIMO-OFDM通信系统模型;设计了基于CPSO-PF的自适应状态优化算法,并结合典型干扰噪声环境对系统误码率进行了仿真。仿真实验结果表明,基于CPSO-PF的自适应状态优化能够有效抑制噪声干扰,显著改善自适应MIMO-OFDM通信系统的误码性能。

基于变异CPSO算法的LSSVM蒸发过程软测量

在分析混沌粒子群优化算法(CPSO)和最小二乘支持向量机(SVM)理论基础上,以某氧化铝厂蒸发过程为对象,采用带有末位淘汰机制的混沌粒子群优化算法优化支持向量机的参数,建立了基于变异CPSO算法的LS-SVM的氧化铝蒸发过程软测量模型,并与PSO-LSSVM、LSSVM模型比较,研究表明,ICPSO-LSSVM模型预测准确,泛化性能好,且该模型预测结果中相对误差小于5%的样本达到92.5%,最大相对误差仅为8.1%,均方差MSE为0.05153,模型具有较高的精度,其现场实施结果表明基本可以实现出口浓度的实时在线预估。

基于EEMD与CPSO-ELM的车削机床刀具磨损故障检测与识别

鉴于数控车床刀具在机械加工系统中占有重要的地位,故数控车床刀具磨损故障的在线检测与识别具有重要意义。以华中数控车床为研究对象,提出了以平均经验模态分解(EEMD)、混沌粒子群(CPSO)以及核极限学习机(ELM)等方法对车床刀具磨损故障进行诊断。介绍了EEMD、CPSO以及ELM的基本原理和过程;对采集得到的刀具磨损信号进行前期预处理,经EEMD分解后得到IMF分量,以峭度、峰值、均方根值作为一种选取标准,选择包含较多故障信息的几个IMF进行信号重组并计算;将计算结果组成特征向量输入CPSO-ELM、SVM以及BP神经网络等分类器进行故障识别和对比。实验结果表明:对比传统的BP神经网络和SVM分类器,CPSO-ELM分类器具有快速、精确、有效的识别特性,能够有效检测和识别刀具磨损故障。

CPSO和LSSVM融合的网络入侵检测

网络攻击具有多样性和隐蔽性,为了提高网络安全性入侵检测的正确率,提出一种混沌粒子群算法(CPSO)和最小二乘支持向量机(LSSVM)相融合的网络入侵检测方法(CPSO-LSSVM)。利用混沌粒子群算法对LSSVM模型参数进行搜索,选择LSSVM最优参数,采用KDDCUP99数据集对CPSO-LSSVM性能进行测试,实验结果表明,CPSO-LSSVM提高了网络入侵检测正确率,降低了误报率,可以为网络安全提供有效保证。

基于CPSO的二维Otsu图像分割法

二维Otsu方法同时考虑了图像的灰度信息和像素间的空间邻域信息,图像分割效果好但算法计算量较大。针对上述情况,提出一种基于混沌粒子群优化算法(CPSO)的策略,将其用于二维Otsu方法中,并与标准粒子群优化算法(SPSO)进行仿真实验对比。实验结果表明,该方法可以提高分割速度,克服SPSO的缺点,图像分割结果较理想。

基于CPSO-BP神经网络的柴油机排气门间隙故障诊断

针对柴油机排气门间隙故障信号不易提取的特点,提出了将混沌粒子群神经网(Chaotic particle swarm optimization-Back Propagation,CPSO-BP)聚类模型应用于柴油机排气门间隙故障诊断.首先,采用经验模式分解(Empirical Mode Decomposition,EMD)对柴油机振动信号进行分解,将得到的前6个模态函数能量百分比作为反映故障状态的特征参数,重构BP神经网并用混沌粒子群算法对其结构和权值进行优化;最后,基于优化的神经网对排气门间隙为0.2mm,0.4mm,0.6mm等3种故障工况的信号进行聚类.结果表明:所有样本的测试结果均与实际状况一致,该方法可以较好地用于排气门间隙故障诊断.

热导传感器温度特性的CPSO-SVM数据融合校正

为了消除环境温度对热导气体传感器的影响,提出了一种热导传感器温度特性的经典粒子群优化——支持向量机(CPSO-SVM)数据融合校正方法。该方法将热导传感器和温度传感器构成传感器组,利用支持向量机对传感器组的输出信号进行数据融合,采用经典粒子群优化算法和测试样本集均方根误差与平均绝对百分比误差同时最小原则选择和优化支持向量机的参数向量。对氢气浓度的检测实验表明,该方法能有效地改善传感器的温度特性,实现了气体浓度的精确检测。

改进CPSO-SVM在人脸识别中的应用

为使粒子群优化算法初始粒子均匀分布在解空间,增强全局的搜索能力,通过对混沌运动的遍历性和粒子群优化算法中惯性权重的分析,提出了一种改进型混沌粒子群算法。该算法采用Circle映射,产生了分布均匀的混沌变量轨道点,并结合动态调整惯性权重的思想来避免粒子群算法陷入局部最优。同时,给出了应用混沌粒子群算法训练SVM的方法,并将其应用于人脸识别。仿真实验结果表明,改进CPSO-SVM方法比基本粒子群方法能获得更好的识别性能。

基于自适应CPSO算法的二维模糊熵图像阈值分割

由于PSO算法会出现虚假收敛或者早熟等现象,提出了一种自适应混沌粒子群算法(ACPSO)及其在图像分割中的应用。首先提出了一种改进的自适应粒子群优化算法(IAPSO)。然后在IAPSO的基础上,加入了混沌优化方法,用混沌变量来初始化粒子的位置和速度,并用新的无限折叠混沌映射对算法进行混沌变异,从当前群体中择优选择部分粒子进行混沌优化。最后将ACPSO算法应用到图像分割中。通过与最大模糊Shannon熵阈值分割法、基于基本PSO的最大模糊Shannon熵阈值分割法进行对比,验证了基于自适应CPSO算法的二维模糊熵阈值图像分割方法的性能更好。

基于CPSO-LSSVM的单轴旋转惯导系统轴向陀螺漂移辨识

在单轴旋转惯导系统中,轴向陀螺漂移是影响系统导航精度的重要因素。为了提高惯导系统的导航精度,采用混沌粒子群算法(chaos particle swarm optimization,CPSO)优化的最小二乘支持向量机(least squaressupport vector machine,LSSVM)对轴向激光陀螺漂移进行辨识。利用初始对准12h内系统纬度误差和温度变化量作为LSSVM模型的训练数据,利用CPSO对LSSVM进行参数优化,利用优化后的LSSVM模型对轴向陀螺漂移进行辨识,轴向陀螺漂移辨识精度优于0.000 2(°)/h,系统定位误差优于1nm/72h。试验结果表明,CPSO是选取LSSVM参数的有效方法,该方法能够有效地辨识轴向陀螺漂移,具有很高的辨识精度,具有很高的实际应用价值。

基于CPSO的混合核SVM参数选择及其应用

支持向量机中参数的寻优一般只针对惩罚系数和核参数,而混合核的引入,使支持向量机(SVM)又多了一个可调参数,而这个可调参数一般是根据经验或人工随机调试得到,不能确保该参数为最优。针对此问题,提出以惩罚系数、核参数以及混合核可调参数为寻优目标,用混沌粒子群(CPSO)对其进行综合寻优的方法,来寻找满足条件的最优参数组合,从而提高模型的精度。通过对工业双酚A生产过程软测量建模的仿真研究表明,混合核参数优化后的模型比普通模型效果要好,泛化能力有所提升。